CN115984084B - 一种基于动态可拆分网络的遥感分布式数据处理方法 - Google Patents

一种基于动态可拆分网络的遥感分布式数据处理方法 Download PDF

Info

Publication number
CN115984084B
CN115984084B CN202211635619.0A CN202211635619A CN115984084B CN 115984084 B CN115984084 B CN 115984084B CN 202211635619 A CN202211635619 A CN 202211635619A CN 115984084 B CN115984084 B CN 115984084B
Authority
CN
China
Prior art keywords
processing
processing module
remote sensing
target
processor
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202211635619.0A
Other languages
English (en)
Other versions
CN115984084A (zh
Inventor
孙显
付琨
王智睿
张汀
陈凯强
成培瑞
赵良瑾
胡琳
段淑靖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Aerospace Information Research Institute of CAS
Original Assignee
Aerospace Information Research Institute of CAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Aerospace Information Research Institute of CAS filed Critical Aerospace Information Research Institute of CAS
Priority to CN202211635619.0A priority Critical patent/CN115984084B/zh
Publication of CN115984084A publication Critical patent/CN115984084A/zh
Application granted granted Critical
Publication of CN115984084B publication Critical patent/CN115984084B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Abstract

本申请提供一种基于动态可拆分网络的遥感分布式数据处理方法，该方法应用于卫星设备，包括：将获取到的待处理遥感数据输入第一目标子处理器；将第一目标子处理器输出的中间处理数据发送至地面设备，以使地面设备将中间处理数据输入第二目标子处理器；第一目标子处理器和第二目标子处理器通过以下方法得到：获取遥感数据处理器中每一处理模块对应的预测处理耗时；确定候选处理模块；获取每一候选处理模块对应的测试匹配度；将任一测试匹配度大于或等于匹配度阈值的目标处理单元对应的候选处理模块确定为目标处理模块；根据目标处理模块对遥感数据处理器进行拆分。本申请能够充分的利用卫星设备的设备性能，减小地面设备的处理量和通讯耗时。

Description

一种基于动态可拆分网络的遥感分布式数据处理方法
技术领域
本申请涉及遥感数据处理领域，尤其涉及一种基于动态可拆分网络的遥感分布式数据处理方法。
背景技术
随着信息技术的飞速发展，遥感图像解译已成为地球观测领域最基本和最重要的任务之一，服务于各种应用，如地理信息测绘、农业规划、交通规划、导航和灾情探测救援等。面对海量遥感图像，在实际应用中，往往通过多卫星与地面服务器协同配合来实现遥感数据的高效采集与处理，即将卫星采集到的遥感图像传输到地面服务器上统一处理。但由于遥感图像的数据量往往比较大，且星地之间通讯环境的稳定性较差，如果直接将卫星采集到的遥感图像发送至地面服务器，会导致通信成本大、延迟高且时效性差等问题，而由于遥感图像处理任务往往对时效性要求较高，故而上述的方案很难满足遥感图像处理任务的时效性要求。
发明内容
有鉴于此，本申请提供一种基于动态可拆分网络的遥感分布式数据处理方法，以解决现有技术中存在的问题。
在本申请的一方面，提供一种基于动态可拆分网络的遥感分布式数据处理方法，应用于卫星设备，包括：
将获取到的待处理遥感数据输入第一目标子处理器。
将第一目标子处理器输出的中间处理数据发送至地面设备，以使地面设备将中间处理数据输入第二目标子处理器，以得到第二目标子处理器输出的目标处理结果。
其中，第一目标子处理器和第二目标子处理器通过以下方法得到：
获取遥感数据处理器中每一处理模块对应的预测处理耗时；遥感数据处理器包括顺序执行的若干处理单元，每一处理单元包括若干顺序执行的处理模块；遥感数据处理器被配置为在当前的处理单元输出的候选处理结果对应的匹配度达到匹配度阈值时，将所述候选处理结果确定为目标处理结果，匹配度阈值根据遥感数据处理器对应的任务类型确定。
将每一小于时间阈值的预测处理耗时所对应的处理模块确定为候选处理模块；时间阈值根据任务类型确定。
获取每一候选处理模块对应的目标处理单元的测试匹配度；目标处理单元为遥感数据处理器中位于当前的候选处理模块之前且与当前的候选处理模块相邻的处理单元。
将任一测试匹配度大于或等于匹配度阈值的目标处理单元对应的候选处理模块确定为目标处理模块。
根据目标处理模块对遥感数据处理器进行拆分，得到第一目标子处理器和第二目标子处理器。
在本申请的一种示例性实施例中，第一目标子处理器包括遥感数据处理器中目标处理模块及其之前的每一处理模块，第二目标子处理器包括遥感数据处理器中目标处理模块之后的每一处理模块。
在本申请的一种示例性实施例中，预测处理耗时包括以下至少之一：卫星设备处理耗时、地面设备处理耗时、通讯耗时。
卫星设备处理耗时为预测的卫星设备运行当前的第一子处理器的处理耗时。
地面设备处理耗时为预测的地面设备运行当前的第二子处理器的处理耗时。
通讯耗时为预测的卫星设备将当前的处理模块的输出数据发送至地面设备的通讯耗时。
其中，第一子处理器包括遥感数据处理器中当前的处理模块及其之前的每一处理模块；第二子处理器包括遥感数据处理器中当前的处理模块之后的每一处理模块。
在本申请的一种示例性实施例中，获取遥感数据处理器中每一处理模块对应的预测处理耗时，包括：
根据卫星设备的设备参数和遥感数据处理器的任务类型，确定遥感数据处理器中每一处理模块对应的预测处理耗时。
其中，遥感数据处理器中目标处理模块及其之前的每一处理模块安装于卫星设备上。
在本申请的一种示例性实施例中，根据卫星设备的设备参数和遥感数据处理器的任务类型，确定遥感数据处理器中每一处理模块对应的预测处理耗时，包括：
根据任务类型确定每一处理模块的输出数据的数据大小。
根据设备参数和每一数据大小，得到预测的每一处理模块的通讯耗时。
在本申请的一种示例性实施例中，根据卫星设备的设备参数和遥感数据处理器的任务类型，确定遥感数据处理器中每一处理模块对应的预测处理耗时，包括：
根据任务类型，确定每一处理模块的处理模块特征。
将设备参数和每一处理模块对应的处理模块特征输入时间预测模型，得到预测的每一处理模块的模块处理耗时。
根据每一模块处理耗时，确定每一卫星设备处理耗时和/或地面设备处理耗时。
在本申请的一种示例性实施例中，将任一测试匹配度大于或等于匹配度阈值的目标处理单元对应的候选处理模块确定为目标处理模块，包括：
若测试匹配度大于或等于匹配度阈值的目标处理单元为多个，则将测试匹配度最大的目标处理单元对应的候选处理模块确定为目标处理模块。
在本申请的一种示例性实施例中，遥感数据处理器对应的总损失值符合预设条件，以使若干处理单元的候选处理结果随执行顺序依次增大。
总损失值包括以下至少之一：第一损失值、第二损失值、第三损失值。
第一损失值根据每一处理单元的训练处理结果与标记结果之间的损失确定。
第二损失值根据每一处理单元的训练预测概率分布信息与目标训练预测概率分布信息之间的损失确定；目标训练预测概率分布信息为遥感数据处理器中在执行顺序上最后一个处理单元的训练预测概率分布信息。
第三损失值根据每相邻两个处理单元对应的目标特征图之间的损失确定；目标特征图为当前处理单元在处理过程中得到的最后一个特征图。
在本申请的另一方面，提供一种基于动态可拆分网络的遥感分布式数据处理装置，数据处理装置设置于卫星设备内，且包括：
获取模块，用于将获取到的待处理遥感数据输入第一目标子处理器。
处理模块，用于将第一目标子处理器输出的中间处理数据发送至地面设备，以使地面设备将中间处理数据输入第二目标子处理器，以得到第二目标子处理器输出的目标处理结果。
其中，第一目标子处理器和第二目标子处理器通过以下方法得到：
获取遥感数据处理器中每一处理模块对应的预测处理耗时；遥感数据处理器包括顺序执行的若干处理单元，每一处理单元包括若干顺序执行的处理模块；遥感数据处理器被配置为在当前的处理单元输出的候选处理结果对应的匹配度达到匹配度阈值时，将所述候选处理结果确定为目标处理结果，匹配度阈值根据遥感数据处理器对应的任务类型确定。
将每一小于时间阈值的预测处理耗时所对应的处理模块确定为候选处理模块；时间阈值根据任务类型确定。
获取每一候选处理模块对应的目标处理单元的测试匹配度；目标处理单元为遥感数据处理器中位于当前的候选处理模块之前且与当前的候选处理模块相邻的处理单元。
将任一测试匹配度大于或等于匹配度阈值的目标处理单元对应的候选处理模块确定为目标处理模块。
根据目标处理模块对遥感数据处理器进行拆分，得到第一目标子处理器和第二目标子处理器。
在本申请的一种示例性实施例中，第一目标子处理器包括遥感数据处理器中目标处理模块及其之前的每一处理模块，第二目标子处理器包括遥感数据处理器中目标处理模块之后的每一处理模块。
在本申请的一种示例性实施例中，预测处理耗时包括以下至少之一：卫星设备处理耗时、地面设备处理耗时、通讯耗时。
卫星设备处理耗时为预测的卫星设备运行当前的第一子处理器的处理耗时。
地面设备处理耗时为预测的地面设备运行当前的第二子处理器的处理耗时。
通讯耗时为预测的卫星设备将当前的处理模块的输出数据发送至地面设备的通讯耗时。
其中，第一子处理器包括遥感数据处理器中当前的处理模块及其之前的每一处理模块；第二子处理器包括遥感数据处理器中当前的处理模块之后的每一处理模块。
在本申请的一种示例性实施例中，获取遥感数据处理器中每一处理模块对应的预测处理耗时，包括：
根据卫星设备的设备参数和遥感数据处理器的任务类型，确定遥感数据处理器中每一处理模块对应的预测处理耗时。
其中，遥感数据处理器中目标处理模块及其之前的每一处理模块安装于卫星设备上。
在本申请的一种示例性实施例中，根据卫星设备的设备参数和遥感数据处理器的任务类型，确定遥感数据处理器中每一处理模块对应的预测处理耗时，包括：
根据任务类型确定每一处理模块的输出数据的数据大小。
根据设备参数和每一数据大小，得到预测的每一处理模块的通讯耗时。
在本申请的一种示例性实施例中，根据卫星设备的设备参数和遥感数据处理器的任务类型，确定遥感数据处理器中每一处理模块对应的预测处理耗时，包括：
根据任务类型，确定每一处理模块的处理模块特征。
将设备参数和每一处理模块对应的处理模块特征输入时间预测模型，得到预测的每一处理模块的模块处理耗时。
根据每一模块处理耗时，确定每一卫星设备处理耗时和/或地面设备处理耗时。
在本申请的一种示例性实施例中，将任一测试匹配度大于或等于匹配度阈值的目标处理单元对应的候选处理模块确定为目标处理模块，包括：
若测试匹配度大于或等于匹配度阈值的目标处理单元为多个，则将测试匹配度最大的目标处理单元对应的候选处理模块确定为目标处理模块。
在本申请的一种示例性实施例中，遥感数据处理器对应的总损失值符合预设条件，以使若干处理单元的候选处理结果随执行顺序依次增大。
总损失值包括以下至少之一：第一损失值、第二损失值、第三损失值。
第一损失值根据每一处理单元的训练处理结果与标记结果之间的损失确定。
第二损失值根据每一处理单元的训练预测概率分布信息与目标训练预测概率分布信息之间的损失确定；目标训练预测概率分布信息为遥感数据处理器中在执行顺序上最后一个处理单元的训练预测概率分布信息。
第三损失值根据每相邻两个处理单元对应的目标特征图之间的损失确定；目标特征图为当前处理单元在处理过程中得到的最后一个特征图。
在本申请的另一方面，提供一种电子设备，包括处理器和存储器。
处理器通过调用存储器存储的程序或指令，用于执行上述任一项方法的步骤。
在本申请的另一方面，提供一种非瞬时性计算机可读存储介质，非瞬时性计算机可读存储介质存储程序或指令，程序或指令使计算机执行上述任一项方法的步骤。
有益效果：
本申请中，在获取到待处理遥感数据后，会将待处理遥感数据输入第一目标子处理器，并将第一目标子处理器输出的中间处理数据发送至地面设备，以使地面设备将中间处理数据输入第二目标子处理器，以得到第二目标子处理器输出的目标处理结果。从而实现了在不同设备上分段进行遥感数据的处理，以充分利用两个设备的设备性能。
进一步的，在进行遥感数据处理器的安装时，会将遥感数据处理器中目标处理模块及其之前的每一处理模块作为第一目标子处理器安装于卫星设备上，其余的处理模块可以安装于地面设备上。使得卫星设备在采集到的原始数据(如待处理遥感数据)后，可以先在卫星设备进行一部分处理工作，而不用直接将采集到的原始数据直接发送至地面设备，以减少通信成本。
在确定目标处理模块时，会根据每一处理模块对应的预测处理耗时和由任务类型确定出的时间阈值筛选出符合任务类型对应的时效需求的候选处理模块，以使确定出的分割方案满足任务的时效需求。
在确定出候选处理模块后，会将任一测试匹配度大于或等于匹配度阈值的目标处理单元对应的候选处理模块确定为目标处理模块。同时，由于本申请中遥感数据处理器被配置为在当前的处理单元输出的候选处理结果对应的匹配度达到匹配度阈值时，直接将该候选处理结果确定为目标处理结果并输出，且后续的处理单元不会再继续进行处理。故而可以使得在根据确定出的第一目标子处理器和第二目标子处理器安装遥感数据处理器后，卫星设备在实际应用中，能够大概率的在卫星设备上直接得到满足任务需求的目标处理结果，从而充分的利用卫星设备的设备性能，减小地面设备的处理量。而由于卫星设备能够直接在本地得到的符合任务需求的目标处理结果，且目标处理结果的数据大小是远远小于中间处理的数据大小的，卫星设备直接仅将目标处理结果发送至地面设备，可以使得遥感数据处理器最终输出的目标处理结果的实时性更高。
进一步的，由于在确定目标处理模块时，使用的是每一处理单元的测试匹配度，而不是实时匹配度，使得本申请可以在进行实际安装前，即可确定出分割方案，并仅将遥感数据处理器中，目标处理模块及其之前的每一处理模块安装于卫星设备上，其他处理模块安装于地面设备上。相较于直接将遥感数据处理器同时全部安装于卫星设备和地面设备上，在实际使用过程中，根据每一处理单元的实时匹配度确定在哪一处理模块将其输出数据发送至地面设备的方案，本申请提供的方案减小卫星设备和地面设备的存储压力，且避免了卫星设备在进行数据处理时，还要使用额外的算力实时确定目标处理模块，使得整体的运算量更小。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1为本申请一实施例提供的一种基于动态可拆分网络的遥感分布式数据处理方法的流程图。
图2为本申请一实施例提供的一种基于动态可拆分网络的遥感分布式数据处理方法中，第一目标子处理器和第二目标子处理器确定方法的流程图。
图3为本申请一实施例提供的一种基于动态可拆分网络的遥感分布式数据处理方法中的遥感数据处理器的结构框图。
图4为本申请另一实施例提供的一种基于动态可拆分网络的遥感分布式数据处理方法中，第一目标子处理器和第二目标子处理器确定方法的流程图。
图5为本申请另一实施例提供的一种基于动态可拆分网络的遥感分布式数据处理方法中，第一目标子处理器和第二目标子处理器确定方法的流程图。
图6为本申请另一实施例提供的一种基于动态可拆分网络的遥感分布式数据处理方法中，第一目标子处理器和第二目标子处理器确定方法的流程图。
图7为本申请另一实施例提供的一种基于动态可拆分网络的遥感分布式数据处理方法中，第一目标子处理器和第二目标子处理器确定方法的流程图。
图8为本申请另一实施例提供的一种基于动态可拆分网络的遥感分布式数据处理方法中，第一目标子处理器和第二目标子处理器确定方法的流程图。
图9为本申请另一实施例提供的一种基于动态可拆分网络的遥感分布式数据处理方法中，第一目标子处理器和第二目标子处理器确定方法的流程图。
图10为本申请另一实施例提供的一种基于动态可拆分网络的遥感分布式数据处理方法中，第一目标子处理器和第二目标子处理器确定方法的流程图。
图11为本申请一实施例提供的一种基于动态可拆分网络的遥感分布式数据处理装置的结构框图。
具体实施方式
下面结合附图对本申请实施例进行详细描述。
需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合；并且，基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
请参考图1所示，在本申请的一方面，提供一种基于动态可拆分网络的遥感分布式数据处理方法，应用于卫星设备，该方法包括以下步骤：
S001，将获取到的待处理遥感数据输入第一目标子处理器。
S002，将第一目标子处理器输出的中间处理数据发送至地面设备，以使地面设备将中间处理数据输入第二目标子处理器，以得到第二目标子处理器输出的目标处理结果。
具体的，卫星设备可以为卫星，地面设备可以为地面服务器，即卫星设备的处理性能低于地面设备的处理性能，卫星设备和地面设备之间的距离大于预设距离，预设距离可以常用的卫星高度，预设距离的取值范围可以为150～40000千米。
其中，第一目标子处理器和第二目标子处理器通过以下方法得到：
S100，获取遥感数据处理器中每一处理模块对应的预测处理耗时。
其中，遥感数据处理器包括顺序执行的若干处理单元，每一处理单元包括若干处理模块。遥感数据处理器被配置为当前的处理单元输出的处理结果对应的匹配度达到匹配度阈值时，将所述候选处理结果确定为目标处理结果，匹配度阈值根据遥感数据处理器对应的任务类型确定。本实施例中，遥感数据处理器可以为渐进式推理模型。任务类型可以为根据遥感数据进行三维模型构建、根据遥感数据进行目标识别或根据遥感数据进行地理区域划分等。可以理解的是，在任务类型不同的情况下，每一处理模块的具体设置方式以及输入输出数据的限定可以根据任务类型对应的任务需求自行确定。
具体的，不同的处理单元之间可以共用部分处理模块，如图3中给出了一种遥感数据处理器的示例性结构框图，如图3中所示，处理模块1，2，5，6，7五个处理模块为第一个处理单元，处理模块1，2，3，8，9，10六个处理模块为第二个处理单元，处理模块1，2，3，4，11，12，13七个处理模块为第三个处理单元，可见，第一个处理单元和第二个处理单元共用了处理模块1和处理模块2，第二个处理单元和第三个处理单元共用了处理模块1、处理模块2和处理模块三。具体的，该遥感数据处理器的处理模块工作顺序为1，2，5，6，7，1，2，3，8，9，10，1，2，3，4，11，12，13。可以理解的是，由于多个处理模块是顺序运行的，且不同的处理单元之间可以共用部分处理模块，共用的单元在实际工作中，实际工作的次数是根据共用其的处理单元的数量确定得到，例如，前例中，若三个处理单元全都进行了处理，则处理模块1会工作3次，处理模块2会工作2次。
在一些实施例中，遥感数据处理器可以是渐进式推理神经网络模型，相应的，处理单元可以为渐进式推理神经网络模型中的处理分支，每一处理单元内的处理模块可以为处理分支内的处理层，例如卷积层、池化层和归一化层等。
其中，处理模块可以为卷积模块、池化模块、归一化模块、激活模块和全连接模块，且每一处理单元均包括一个全连接模块。本实施例中，处理单元的数量和每一处理单元的具体设置方式可以根据需求进行设置，本实施例不加限制，同时，本领域技术人员理应能够根据遥感数据处理器的任务类型和需求等，通过现有技术的确定出处理单元的数量以及每一处理单元内处理模块的具体设置方式。
S300，将每一小于时间阈值的预测处理耗时所对应的处理模块确定为候选处理模块。
其中，时间阈值根据任务类型确定。预测处理耗时为根据对应的处理模块对遥感数据处理器进行模型分割后，遥感数据处理器的整体处理耗时或某一环节(如通讯环节)的耗时。不同任务类型的时间阈值不同，可以理解的是，对时效性要求更高的任务类型，对应的时间阈值更小。具体的，时间阈值可以由相关人员根据任务类型对应的任务需求自行确定。
S500，获取每一候选处理模块对应的目标处理单元的测试匹配度。
其中，目标处理单元为遥感数据处理器中位于当前的候选处理模块之前且与候选处理模块相邻的处理单元。测试匹配度可以为在对遥感数据处理器进行训练后，根据测试样本对遥感数据处理器进行测试后，每一处理单元的测试处理结果对应的平均匹配度。遥感数据处理器的训练方法会在后文中进行详细说明，此处不加赘述。
S700，将任一测试匹配度大于或等于匹配度阈值的目标处理单元对应的候选处理模块确定为目标处理模块。
具体的，匹配度阈值可以由相关人员根据任务类型对应的任务需求自行确定。
S900，根据目标处理模块对遥感数据处理器进行拆分，得到第一目标子处理器和第二目标子处理器。
其中，第一目标子处理器包括遥感数据处理器中目标处理模块及其之前的每一处理模块，第二目标子处理器包括遥感数据处理器中目标处理模块之后的每一处理模块。
具体的，根据目标处理模块对遥感数据处理器进程分割可以为，将遥感数据处理器中目标处理模块及其之前的每一处理模块确定为第一目标子处理器，将遥感数据处理器中目标处理模块之后的每一处理模块确定为第二目标子处理器，并将第一目标子处理器安装于卫星设备上，将第二目标子处理器安装于地面设备上，以完成遥感数据处理器的安装。
需要说明的是，本实施例中，由于在进行目标处理模块的确定时，使用的是测试匹配度，但在实际应用过程中，每一处理单元每次处理时的实际匹配度是浮动的，故而，若在实际应用中，安装于卫星设备上的第一目标子处理器最后一个处理单元的输出结果的实时匹配度小于匹配度阈值时，后续的处理单元还是会继续进行执行，即依然会将目标处理模块的输出数据发送至地面设备上。故而，本实施例中，即使目标处理单元的测试匹配度大于或等于匹配度阈值，也需要将第二目标子处理器安装于地面设备上，以适应实际应用过程中的各种突发情况。
可以理解的是，本实施例中，上述方法的执行主体可以为卫星设备或地面设备中的任一，也可以是二者之外的其他的具有一定运算能力的电子设备。
本实施例中，在获取到待处理遥感数据后，会将待处理遥感数据输入第一目标子处理器，并将第一目标子处理器输出的中间处理数据发送至地面设备，以使地面设备将中间处理数据输入第二目标子处理器，以得到第二目标子处理器输出的目标处理结果。从而实现了在不同设备上分段进行遥感数据的处理，以充分利用两个设备的设备性能。
进一步的，在进行遥感数据处理器的安装时，会将遥感数据处理器中目标处理模块及其之前的每一处理模块作为第一目标子处理器安装于卫星设备上，其余的处理模块可以安装于地面设备上。使得卫星设备在采集到的原始数据(如待处理遥感数据)后，可以先在卫星设备进行一部分处理工作，而不用直接将采集到的原始数据直接发送至地面设备，以减少通信成本。
在确定目标处理模块时，会根据每一处理模块对应的预测处理耗时和由任务类型确定出的时间阈值筛选出符合任务类型对应的时效需求的候选处理模块，以使确定出的分割方案满足任务的时效需求。
在确定出候选处理模块后，会将任一测试匹配度大于或等于匹配度阈值的目标处理单元对应的候选处理模块确定为目标处理模块。同时，由于本实施例中遥感数据处理器被配置为在当前的处理单元的候选处理结果对应的匹配度达到匹配度阈值时，将所述候选处理结果确定为目标处理结果并输出，且后续的处理单元不会再继续进行处理。故而可以使得在根据确定出的第一目标子处理器和第二目标子处理器安装遥感数据处理器后，卫星设备在实际应用中，能够大概率的在卫星设备上直接得到满足任务需求的目标处理结果，从而充分的利用卫星设备的设备性能，减小地面设备的处理量。而由于卫星设备能够直接在本地得到的符合任务需求的目标处理结果，且目标处理结果的数据大小是远远小于中间处理的数据大小的，卫星设备直接仅将目标处理结果发送至地面设备，可以使得遥感数据处理器最终输出的目标处理结果的实时性更高。
进一步的，由于在确定目标处理模块时，使用的是每一处理单元的测试匹配度，而不是实时匹配度，使得本实施例可以在进行实际安装前，即可确定出分割方案，并仅将遥感数据处理器中，目标处理模块及其之前的每一处理模块安装于卫星设备上，其他处理模块安装于地面设备上。相较于直接将遥感数据处理器同时全部安装于卫星设备和地面设备上，在实际使用过程中，根据每一处理单元的实时匹配度确定在哪一处理模块将其输出数据发送至地面设备的方案，本实施例提供的方案减小卫星设备和地面设备的存储压力，且避免了卫星设备在进行数据处理时，还要使用额外的算力实时确定目标处理模块，使得整体的运算量更小。
本实施例中，可以在卫星设备和地面设备安装遥感数据处理器时，根据实际需求动态的调整第一目标子处理器和第二目标子处理器中处理模块的数量，以实现更高的效率和更合适的精度。
在本申请的一种示例性实施例中，预测处理耗时包括以下至少之一：卫星设备处理耗时、地面设备处理耗时、通讯耗时。
卫星设备处理耗时为预测的卫星设备运行当前的第一子处理器的处理耗时。
地面设备处理耗时为预测的地面设备运行当前的第二子处理器的处理耗时。
通讯耗时为预测的卫星设备将当前的处理模块的输出数据发送至地面设备的通讯耗时。
其中，第一子处理器包括遥感数据处理器中当前的处理模块及其之前的每一处理模块；第二子处理器包括遥感数据处理器中当前的处理模块之后的每一处理模块。当前的处理模块可以理解为当前要确定预测处理耗时的处理模块。
具体的，卫星设备处理耗时、地面设备处理耗时、通讯耗时均为预测的耗时，可以采用任意能够进行处理时间预测和通讯时间预测的算法或模型。
可以理解的是，本实施例中，在预测处理耗时的构成不同的情况下，对应的时间阈值的确定方法也可以不同。例如，当预测处理耗时仅包括通讯耗时的情况下，时间阈值可以仅根据当前的任务类型对应的通讯时间需求进行确定，也可以根据当前的任务类型的整体处理时间的需求进行确定。
本实施例中，在遥感数据处理器完成拆分和安装后，运行过程一共包括顺序执行的三个阶段：第一目标子处理器的数据处理阶段，数据传输阶段和第二目标子处理器的数据处理阶段。而不同情况(例如设备性能不同和/或网络通讯环境不同)下，每一阶段的耗时的比例和重要性也不同，故而，可以根据实际需求和情况确定预测处理耗时的组成。
具体的，本实施例中，为使得遥感数据处理器的整体处理耗时满足任务需求，预测处理耗时同时包括卫星设备处理耗时、地面设备处理耗时和通讯耗时。以使得通过预测处理耗时，能够确定出满足任务类型对应的时间需求的候选处理模块。
示例性的，本申请中的预测处理耗时符合以下条件：
T＝t1+t2+t3。
t3＝M/B。
其中，T为预测处理耗时，t1为当前的处理模块对应的卫星设备处理耗时，t2为当前的处理模块对应的地面设备处理耗时，t3为当前的处理模块对应的通讯耗时，M为当前的处理模块对应的输出数据的数据大小，B为卫星设备的带宽。
请参考图4所示，在本申请的一种示例性实施例中，步骤S100，包括：
S110，根据卫星设备的设备参数和遥感数据处理器的任务类型，确定遥感数据处理器中每一处理模块对应的预测处理耗时。其中，设备参数可以包括以下至少之一：卫星设备的CUP处理性能、GPU处理性能、存储性能、通讯性能和通讯带宽等。
其中，卫星设备即为要安装遥感数据处理器的两个电子设备中的其中一个，本实施例中，卫星设备为安装遥感数据处理器的前半部分(即第一目标子处理器)的电子设备。
本实施例中，在确定每一处理模块的预测处理耗时，使用了卫星设备的设备参数和遥感数据处理器对应的任务类型，可以使得确定出的在卫星设备上执行的每一处理模块对应的预测处理耗时和通讯耗时更加准确。可以理解的是，在预测处理耗时的构成不同的情况下，使用的设备参数也可以是不同的。例如，当预测处理耗时包括卫星设备处理耗时的情况下，设备参数可以包括卫星设备的CUP处理性能、GPU处理性能等。当预测处理耗时包括卫星设备处理耗时的情况下，设备参数可以包括卫星设备的通讯带宽等。
值得说明的是，本实施例中，预测处理耗时至少包括卫星设备处理耗时和通讯耗时其中之一，在确定遥感数据处理器中每一处理模块对应的预测处理耗时时，不限定必须使用地面设备的设备参数，且不限定预测处理耗时必须包括地面设备处理耗时。由于地面服务器的数据处理性能是远大于卫星的数据处理性能的，故而，即在进行预测处理耗时的确定时，可以不用必须包括地面设备处理耗时。同时，由于地面服务器的数据处理性能较高，故而其中处理模块的多少对整体处理时间影响是相对较小的。即使预测处理耗时包括地面设备处理耗时，也可以直接使用一个预设的设定时间进行计算，或为每一设置在地面设备上的处理模块预设一个设定时间，并在确定第二处理耗时时，根据处理模块的数量和类型，对相应的设定时间进行求和，以确定出地面设备处理耗时，从而降低确定预测处理耗时的处理复杂度，以调高处理效率。
请参考图5所示，在本申请的一种示例性实施例中，步骤S110，包括：
S111，根据任务类型确定每一处理模块的输出数据的数据大小。
S113，根据设备参数和每一数据大小，得到预测的每一处理模块的通讯耗时。本实施例中，设备参数可以包括通讯带宽等。
具体的，同一处理模块，在任务类型不同时，其对应的输出数据的数据大小可以是不同的，且不同的处理模块，即使是同一任务类型，其对应的输出数据的数据大小也可以是不同的。故而，本实施例中，在确定通讯耗时时，会根据任务类型和处理模块自身的特征(如输出数据的通道数、输出数据的参数数量等)确定出每一处理模块对应的输出数据的数据大小，并通过通讯带宽等设备参数，确定出没有处理模块对应的通讯耗时。具体的，由于本实施例是在遥感数据处理器的实际使用之前进行的，故而，是通过卫星设备的通讯带宽和处理模块的输出数据的特征进行预测得到的。
请参考图6所示，在本申请的一种示例性实施例中，步骤S110，还可以包括：
S115，根据任务类型，确定每一处理模块的处理模块特征。
其中，处理模块特征可以包括处理模块的卷积核大小、卷积核数量、输入数据特征和输出数据特征，其中输入数据特征可以包括输入数据的数据维度、参数量、特征通道数等，输出数据特征可以包括输出数据的数据维度、参数量、特征通道数。可以理解的是，在处理模块的处理模块类型不同的情况下，对应的处理模块特征也可以不同。例如，当处理模块为卷积模块时，其处理模块特征可以为特征通道数、卷积核大小和卷积核数量；当处理模块为激活模块时，其处理模块特征可以为输入数据维度；当处理模块为全连接模块时，其处理模块特征可以为输出数据维度和输出数据维度。本领域技术人员能够本申请提供的技术方案和现有技术的基础上，根据不同类型的处理模块的特点，确定出处理模块特征。
S117，将设备参数和每一处理模块对应的处理模块特征输入时间预测模型，得到预测的每一处理模块的模块处理耗时。
S119，根据每一模块处理耗时，确定每一卫星设备处理耗时和/或地面设备处理耗时。
具体的，本实施例中，时间预测模型可以为线性回归模型，且在处理模块的类型不同时，对应的线性回归函数也不同，同时，在处理模块相同时，处理模块对应的电子设备不同，其线性回归函数也可以不同，具体的可以根据处理模块特征进行适应性设置。
本实施例中，时间预测模型可以通过遥感数据处理器训练过程中的相关数据进行训练。具体的，可以每一处理模块的处理模块特征作为训练样本，以遥感数据处理器训练过程中，每一处理模块的实际处理耗时作为样本标记，以此进行时间预测模型的训练。
在其他实施例中，时间预测模型也可以以任意模型的任意处理模块在训练或使用过程中的相关数据进行训练，以得到能够通用与任意模型的处理模块处理耗时预测的模型。其训练的样本和样本标记与前述的方法类似，此处不加赘述。
进一步的，在其他的实施例中，还可以将设备参数、每一处理模块对应的处理模块特征以及当前对应的处理模块直接输入时间预测模型，以使得时间预测模型可以直接输出卫星设备处理耗时和/或地面设备处理耗时。可以理解的是，本领域技术人员能够根据对时间预测模型输出的需求，自行根据上述的时间预测模型的训练方法，适应性的得到能够直接输出卫星设备处理耗时和/或地面设备处理耗时的时间预测模型以及其训练方法，此处不加赘述。
本实施例中，通过预设的时间预测模型，可以快速的确定出卫星设备处理耗时和/或地面设备处理耗时。同时，步骤S115-S119可以独立于步骤S111-S113存在，也可以与S111-S113并行进行。
请参考图7所示，在本申请的一种示例性实施例中，步骤S700，包括：
S710，若测试匹配度大于或等于匹配度阈值的目标处理单元为多个，则将测试匹配度最大的目标处理单元对应的候选处理模块确定为目标处理模块。
由前述内容可知，由于本实施例中在进行目标处理模块的确定时，使用的是测试匹配度，但在实际应用过程中，每一处理单元每次处理时的实际匹配度是浮动的，在实际应用中，若安装于卫星设备上的第一目标子处理器最后一个处理单元的输出结果的实时匹配度小于匹配度阈值时，后续的处理单元还是会继续进行执行，即依然会将目标处理模块的输出数据发送至地面设备上。故而，本实施例中，若测试匹配度大于或等于匹配度阈值的目标处理单元为多个，会将测试匹配度最大的目标处理单元对应的候选处理模块确定为目标处理模块。以尽可能提高在卫星设备上即可达到实时匹配度大于或等于匹配度阈值的目标处理结果，降低地面设备参与实际处理的次数，以尽可能减小通讯耗时，提高整体的处理效率。
请参考图8所示，在本申请的一种示例性实施例中，步骤S700，还包括：
S730，若测试匹配度大于或等于匹配度阈值的目标处理单元为多个，则将对应的第一子处理器的处理模块数最少的候选处理模块确定为目标处理模块。
其中，S730与S710，在同一场景下仅有其中一个存在。
由于卫星设备通常为卫星等设备，这类设备的设备各类资源有限，例如其存储空间相对较小，同时由于遥感数据的数据大小往往较大，会占据大量的存储空间，故而在本实施例中，会优先选取处理模块数较少的即模型体积较小的第一子处理器作为第一目标子模型，以节省卫星设备上的存储空间。
请参考图9所示，在本申请的一种示例性实施例中，步骤S700，还包括：
S750，若目标处理单元的测试匹配度均小于匹配度阈值，则将对应的第一子处理器的处理模块数最少的候选处理模块确定为目标处理模块。
本实施例中，若目标处理单元的测试匹配度均小于匹配度阈值则说明每一种分割方案均大概率无法实现直接在卫星设备上得到最终的输出结果。故而在这种情况下，本实施例会优先选择体积最小的第一子处理器作为第一目标子模型，以节省卫星设备上的存储空间。
请参考图10所示，在本申请的一种示例性实施例中，步骤S700，还包括：
S770，若目标处理单元的测试匹配度均小于匹配度阈值，则将对应的输出数据的数据大小最小的候选处理模块确定为目标处理模块。
本实施例中，若目标处理单元的测试匹配度均小于匹配度阈值则说明每一种分割方案均大概率无法实现直接在卫星设备上得到最终的输出结果，即大概率是要将中间处理数据由卫星设备发送至地面设备的。在这种情况下，本实施例会优先选择输出数据的数据大小最小的候选处理模块确定为目标处理模块，以尽可能减小实际的通讯耗时。由前述内容可知，星地之间进行通讯时，通讯环境的波动较大，故而会导致通讯耗时会因为实时通讯带宽等的波动产生较大波动。而设备进行实际处理的耗时则是相对稳定的。故而，相较于选取卫星设备处理耗时或预测处理耗时最小的候选处理模块的方案，本实施例中的方法可以尽可能保证在各种情况下均能够有较为稳定的整体处理耗时。
在本申请的一种示例性实施例中，遥感数据处理器对应的总损失值符合预设条件，以使若干处理单元的候选处理结果随执行顺序依次增大。其中，符合预设条件可以为训练时的总损失值小于预设损失阈值。损失阈值的具体数值可以根据实际需求进行设置。
遥感数据处理器中，若干处理单元中的卷积模块的数量随执行顺序依次增大，以使得若干处理单元提取到的特征的深度随执行顺序依次增大。每一处理单元均仅具有一个全连接模块。
总损失值包括以下至少之一：第一损失值、第二损失值、第三损失值。
第一损失值根据每一处理单元的训练处理结果与标记结果之间的损失确定。
第二损失值根据每一处理单元的训练预测概率分布信息与目标训练预测概率分布信息之间的损失确定；目标训练预测概率分布信息为遥感数据处理器中在执行顺序上最后一个处理单元的训练预测概率分布信息。
第三损失值根据每相邻两个处理单元对应的目标特征图之间的损失确定；目标特征图为当前处理单元在处理过程中得到的最后一个特征图。
具体的，本实施例中，总损失值符合以下条件：
S＝S1+α*S2+β*S3。
其中，S为总损失值，S1为第一损失值，S2为第二损失值，S3为第三损失值，α和β为预设的用于平衡各项损失的系数。α和β的取值均为0-1，本实施例中，α和β均为0.5。
S1＝FL(Hi λ(Xj)，P(Xj))＝∑i＝1 n-W(1-Y(Hi λ(Xj),P(Xj)))γlog(Y(Hi λ(Xj),P(Xj)))，i＝1,2,...,n；
j＝1,2,...,m。
其中，Xj为第j个训练样本，m为训练样本的数量，n为处理单元的数量，Hi λ(Xj)为遥感数据处理器中第i个处理单元对Xj的训练预测概率分布信息，P(Xj)为Xj对应的样本标签。
W为调整系数，用于调整正负样本之间的损失率，本实施例中W＝0.25。
(1-Y(Hi λ(Xj),P(Xj)))γ为调质因子，用于减少容易区分的样本的贡献，使的遥感数据处理器更加聚焦于难区分的样本。
Y(Hi λ(Xj),P(Xj))为调整后训练预测概率分布信息，当Hi λ(Xj)表征的结果与P(Xj)相同时，Y(Hi λ(Xj),P(Xj))＝Hi λ(Xj)；当Hi λ(Xj)表征的结果与P(Xj)不相同时，Y(Hi λ(Xj),P(Xj))＝1-Hi λ(Xj)。
λ为训练时采用的蒸馏温度系数。
S2＝KL(Hi λ(Xj)||Hn λ(Xj))＝∑i＝1 nHi λ(Xj)log(Hi λ(Xj)/Hn λ(Xj))，i＝1,2,...,n；j＝1,2,...,m。
其中，Xj为第j个训练样本，m为训练样本的数量，Hi λ(Xj)为遥感数据处理器中第i个处理单元对第j个训练样本的训练预测概率分布信息，Hn λ(Xj)为目标训练预测概率分布信息(即遥感数据处理器中第n个处理单元对第j个训练样本的训练预测概率分布信息)，n为遥感数据处理器中处理单元的数量，λ为训练时采用的蒸馏温度系数。
本实施例中，蒸馏温度系数的取值范围为10到1，且在训练过程中，随着训练次数的增加逐渐调小，蒸馏温度系数越高对应的深层分布概率越平缓，可以理解为浅层网络学习深层的难度，越高时(如等于10)学习到的特征表示更有鲁棒性，越减小接近到1就越接近深层网络的分布。
S3＝∑v＝2 n||Gv-Gv-1||2 2，v＝2,...,n。
其中，Gv为第v个处理单元对应的目标特征图，Gv-Gv-1为第v个处理单元对应的目标特征图与第v-1个处理单元对应的目标特征图之间的损失。
本实施例中，第一损失值能够表示出每一处理单元在训练过程中的自身损失，第二损失值能够表示出每一处理单元的训练预测概率分布信息与最深层的训练预测概率分布信息(即目标训练预测概率分布信息)之间的预测概率损失情况，第三损失值能够表示出每相邻两个处理单元之间的特征提取损失情况。通过第二损失值和第三损失值的设置，实现了在各个处理单元之间建立横向连接，使得能够由深层网络的处理单元指导浅层网络的处理单元进行训练，以使得训练后的遥感数据处理器整体的预测准确率更高，且训练过程中，能够尽快的实现收敛。
现有的一些渐进式推理模型中，不同处理单元的匹配度都是不确定的，且经常会出现由于模型过处理导致执行顺序靠后的处理单元的候选处理结果的匹配率比其之前的处理单元的处理结果的匹配率更低，如此，若使用这类渐进式推理模型，很难直接在确定目标处理模块时直接确定出目标处理单元。而本实施例提供的方法，由于通过上述方法等得到的遥感数据处理器中，若干处理单元的候选处理结果随执行顺序依次增大，使得在进行目标处理模块的确定时，可以直接将每一候选处理模块之前的且与其相邻的处理单元直接确定为目标处理单元。
请参考图11所示，在本申请的另一方面，提供一种基于动态可拆分网络的遥感分布式数据处理装置，数据处理装置设置于卫星设备内，且包括：
获取模块，用于将获取到的待处理遥感数据输入第一目标子处理器。
处理模块，用于将第一目标子处理器输出的中间处理数据发送至地面设备，以使地面设备将中间处理数据输入第二目标子处理器，以得到第二目标子处理器输出的目标处理结果。
具体的，卫星设备可以为卫星，地面设备可以为地面服务器，即卫星设备的处理性能低于地面设备的处理性能，卫星设备和地面设备之间的距离大于预设距离，预设距离可以常用的卫星高度，预设距离的取值范围可以为150～40000千米。
其中，请参考图2所示，第一目标子处理器和第二目标子处理器通过以下方法得到：
S100，获取遥感数据处理器中每一处理模块对应的预测处理耗时。
其中，遥感数据处理器包括顺序执行的若干处理单元，每一处理单元包括若干处理模块。遥感数据处理器被配置为当前的处理单元输出的候选处理结果对应的匹配度达到匹配度阈值时，将所述候选处理结果确定为目标处理结果并输出，匹配度阈值根据遥感数据处理器对应的任务类型确定。本实施例中，遥感数据处理器可以为渐进式推理模型。任务类型可以为根据遥感数据进行三维模型构建、根据遥感数据进行目标识别或根据遥感数据进行地理区域划分等。可以理解的是，在任务类型不同的情况下，每一处理模块的具体设置方式以及输入输出数据的限定可以根据任务类型对应的任务需求自行确定。
具体的，不同的处理单元之间可以共用部分处理模块，如图3中给出了一种遥感数据处理器的示例性结构框图，如图3中所示，处理模块1，2，5，6，7五个处理模块为第一个处理单元，处理模块1，2，3，8，9，10六个处理模块为第二个处理单元，处理模块1，2，3，4，11，12，13七个处理模块为第三个处理单元，可见，第一个处理单元和第二个处理单元共用了处理模块1和处理模块2，第二个处理单元和第三个处理单元共用了处理模块1、处理模块2和处理模块三。具体的，该遥感数据处理器的处理模块工作顺序为1，2，5，6，7，1，2，3，8，9，10，1，2，3，4，11，12，13。可以理解的是，由于多个处理模块是顺序运行的，且不同的处理单元之间可以共用部分处理模块，共用的单元在实际工作中，实际工作的次数是根据共用其的处理单元的数量确定得到，例如，前例中，若三个处理单元全都进行了处理，则处理模块1会工作3次，处理模块2会工作2次。
其中，处理模块可以为卷积模块、池化模块、归一化模块、激活模块和全连接模块，且每一处理单元均包括一个全连接模块。本实施例中，处理单元的数量和每一处理单元的具体设置方式可以根据需求进行设置，本实施例不加限制，同时，本领域技术人员理应能够根据遥感数据处理器的任务类型和需求等，通过现有技术的确定出处理单元的数量以及每一处理单元内处理模块的具体设置方式。
S300，将每一小于时间阈值的预测处理耗时所对应的处理模块确定为候选处理模块。
其中，时间阈值根据任务类型确定。预测处理耗时为根据对应的处理模块对遥感数据处理器进行模型分割后，遥感数据处理器的整体处理耗时或某一环节(如通讯环节)的耗时。不同任务类型的时间阈值不同，可以理解的是，对时效性要求更高的任务类型，对应的时间阈值更小。具体的，时间阈值可以由相关人员根据任务类型对应的任务需求自行确定。
S500，获取每一候选处理模块对应的目标处理单元的测试匹配度。
其中，目标处理单元为遥感数据处理器中位于当前的候选处理模块之前且与候选处理模块相邻的处理单元。测试匹配度可以为在对遥感数据处理器进行训练后，根据测试样本对遥感数据处理器进行测试后，每一处理单元的测试处理结果对应的平均匹配度。遥感数据处理器的训练方法会在后文中进行详细说明，此处不加赘述。
S700，将任一测试匹配度大于或等于匹配度阈值的目标处理单元对应的候选处理模块确定为目标处理模块。
具体的，匹配度阈值可以由相关人员根据任务类型对应的任务需求自行确定。
S900，根据目标处理模块对遥感数据处理器进行拆分，得到第一目标子处理器和第二目标子处理器。
其中，第一目标子处理器包括遥感数据处理器中目标处理模块及其之前的每一处理模块，第二目标子处理器包括遥感数据处理器中目标处理模块之后的每一处理模块。
具体的，根据目标处理模块对遥感数据处理器进程分割可以为，将遥感数据处理器中目标处理模块及其之前的每一处理模块确定为第一目标子处理器，将遥感数据处理器中目标处理模块之后的每一处理模块确定为第二目标子处理器，并将第一目标子处理器安装于卫星设备上，将第二目标子处理器安装于地面设备上，以完成遥感数据处理器的安装。
需要说明的是，本实施例中，由于在进行目标处理模块的确定时，使用的是测试匹配度，但在实际应用过程中，每一处理单元每次处理时的实际匹配度是浮动的，故而，若在实际应用中，安装于卫星设备上的第一目标子处理器最后一个处理单元的输出结果的实时匹配度小于匹配度阈值时，后续的处理单元还是会继续进行执行，即依然会将目标处理模块的输出数据发送至地面设备上。故而，本实施例中，即使目标处理单元的测试匹配度大于或等于匹配度阈值，也需要将第二目标子处理器安装于地面设备上，以适应实际应用过程中的各种突发情况。
可以理解的是，本实施例中，上述方法的执行主体可以为卫星设备或地面设备中的任一，也可以是二者之外的其他的具有一定运算能力的电子设备。
本实施例中，在获取到待处理遥感数据后，会将待处理遥感数据输入第一目标子处理器，并将第一目标子处理器输出的中间处理数据发送至地面设备，以使地面设备将中间处理数据输入第二目标子处理器，以得到第二目标子处理器输出的目标处理结果。从而实现了在不同设备上分段进行遥感数据的处理，以充分利用两个设备的设备性能。
进一步的，在进行遥感数据处理器的安装时，会将遥感数据处理器中目标处理模块及其之前的每一处理模块作为第一目标子处理器安装于卫星设备上，其余的处理模块可以安装于地面设备上。使得卫星设备在采集到的原始数据(如待处理遥感数据)后，可以先在卫星设备进行一部分处理工作，而不用直接将采集到的原始数据直接发送至地面设备，以减少通信成本。
在确定目标处理模块时，会根据每一处理模块对应的预测处理耗时和由任务类型确定出的时间阈值筛选出符合任务类型对应的时效需求的候选处理模块，以使确定出的分割方案满足任务的时效需求。
在确定出候选处理模块后，会将任一测试匹配度大于或等于匹配度阈值的目标处理单元对应的候选处理模块确定为目标处理模块。同时，由于本实施例中遥感数据处理器被配置为在当前的处理单元的候选处理结果对应的匹配度达到匹配度阈值时，将所述候选处理结果确定为目标处理结果并输出，且后续的处理单元不会再继续进行处理。故而可以使得在根据确定出的第一目标子处理器和第二目标子处理器安装遥感数据处理器后，卫星设备在实际应用中，能够大概率的在卫星设备上直接得到满足任务需求的目标处理结果，从而充分的利用卫星设备的设备性能，减小地面设备的处理量。而由于卫星设备能够直接在本地得到的符合任务需求的目标处理结果，且目标处理结果的数据大小是远远小于中间处理的数据大小的，卫星设备直接仅将目标处理结果发送至地面设备，可以使得遥感数据处理器最终输出的目标处理结果的实时性更高。
进一步的，由于在确定目标处理模块时，使用的是每一处理单元的测试匹配度，而不是实时匹配度，使得本实施例可以在进行实际安装前，即可确定出分割方案，并仅将遥感数据处理器中，目标处理模块及其之前的每一处理模块安装于卫星设备上，其他处理模块安装于地面设备上。相较于直接将遥感数据处理器同时全部安装于卫星设备和地面设备上，在实际使用过程中，根据每一处理单元的实时匹配度确定在哪一处理模块将其输出数据发送至地面设备的方案，本实施例提供的方案减小卫星设备和地面设备的存储压力，且避免了卫星设备在进行数据处理时，还要使用额外的算力实时确定目标处理模块，使得整体的运算量更小。
在本申请的一种示例性实施例中，预测处理耗时包括以下至少之一：卫星设备处理耗时、地面设备处理耗时、通讯耗时。
卫星设备处理耗时为预测的卫星设备运行当前的第一子处理器的处理耗时。
地面设备处理耗时为预测的地面设备运行当前的第二子处理器的处理耗时。
通讯耗时为预测的卫星设备将当前的处理模块的输出数据发送至地面设备的通讯耗时。
其中，第一子处理器包括遥感数据处理器中当前的处理模块及其之前的每一处理模块；第二子处理器包括遥感数据处理器中当前的处理模块之后的每一处理模块。当前的处理模块可以理解为当前要确定预测处理耗时的处理模块。
具体的，卫星设备处理耗时、地面设备处理耗时、通讯耗时均为预测的耗时，可以采用任意能够进行处理时间预测和通讯时间预测的算法或模型。
可以理解的是，本实施例中，在预测处理耗时的构成不同的情况下，对应的时间阈值的确定方法也可以不同。例如，当预测处理耗时仅包括通讯耗时的情况下，时间阈值可以仅根据当前的任务类型对应的通讯时间需求进行确定，也可以根据当前的任务类型的整体处理时间的需求进行确定。
本实施例中，在遥感数据处理器完成拆分和安装后，运行过程一共包括顺序执行的三个阶段：第一目标子处理器的数据处理阶段，数据传输阶段和第二目标子处理器的数据处理阶段。而不同情况(例如设备性能不同和/或网络通讯环境不同)下，每一阶段的耗时的比例和重要性也不同，故而，可以根据实际需求和情况确定预测处理耗时的组成。
具体的，本实施例中，为使得遥感数据处理器的整体处理耗时满足任务需求，预测处理耗时同时包括卫星设备处理耗时、地面设备处理耗时和通讯耗时。以使得通过预测处理耗时，能够确定出满足任务类型对应的时间需求的候选处理模块。
示例性的，本申请中的预测处理耗时符合以下条件：
T＝t1+t2+t3。
t3＝M/B。
其中，T为预测处理耗时，t1为当前的处理模块对应的卫星设备处理耗时，t2为当前的处理模块对应的地面设备处理耗时，t3为当前的处理模块对应的通讯耗时，M为当前的处理模块对应的输出数据的数据大小，B为卫星设备的带宽。
请参考图4所示，在本申请的一种示例性实施例中，步骤S100，包括：
S110，根据卫星设备的设备参数和遥感数据处理器的任务类型，确定遥感数据处理器中每一处理模块对应的预测处理耗时。其中，设备参数可以包括以下至少之一：卫星设备的CUP处理性能、GPU处理性能、存储性能、通讯性能和通讯带宽等。
其中，卫星设备即为要安装遥感数据处理器的两个电子设备中的其中一个，本实施例中，卫星设备为安装遥感数据处理器的前半部分(即第一目标子处理器)的电子设备。
本实施例中，在确定每一处理模块的预测处理耗时，使用了卫星设备的设备参数和遥感数据处理器对应的任务类型，可以使得确定出的在卫星设备上执行的每一处理模块对应的预测处理耗时和通讯耗时更加准确。可以理解的是，在预测处理耗时的构成不同的情况下，使用的设备参数也可以是不同的。例如，当预测处理耗时包括卫星设备处理耗时的情况下，设备参数可以包括卫星设备的CUP处理性能、GPU处理性能等。当预测处理耗时包括卫星设备处理耗时的情况下，设备参数可以包括卫星设备的通讯带宽等。
值得说明的是，本实施例中，预测处理耗时至少包括卫星设备处理耗时和通讯耗时其中之一，在确定遥感数据处理器中每一处理模块对应的预测处理耗时时，不限定必须使用地面设备的设备参数，且不限定预测处理耗时必须包括地面设备处理耗时。由于地面服务器的数据处理性能是远大于卫星的数据处理性能的，故而，即在进行预测处理耗时的确定时，可以不用必须包括地面设备处理耗时。同时，由于地面服务器的数据处理性能较高，故而其中处理模块的多少对整体处理时间影响是相对较小的。即使预测处理耗时包括地面设备处理耗时，也可以直接使用一个预设的设定时间进行计算，或为每一设置在地面设备上的处理模块预设一个设定时间，并在确定第二处理耗时时，根据处理模块的数量和类型，对相应的设定时间进行求和，以确定出地面设备处理耗时，从而降低确定预测处理耗时的处理复杂度，以调高处理效率。
请参考图5所示，在本申请的一种示例性实施例中，步骤S110，包括：
S111，根据任务类型确定每一处理模块的输出数据的数据大小。
S113，根据设备参数和每一数据大小，得到预测的每一处理模块的通讯耗时。本实施例中，设备参数可以包括通讯带宽等。
具体的，同一处理模块，在任务类型不同时，其对应的输出数据的数据大小可以是不同的，且不同的处理模块，即使是同一任务类型，其对应的输出数据的数据大小也可以是不同的。故而，本实施例中，在确定通讯耗时时，会根据任务类型和处理模块自身的特征(如输出数据的通道数、输出数据的参数数量等)确定出每一处理模块对应的输出数据的数据大小，并通过通讯带宽等设备参数，确定出没有处理模块对应的通讯耗时。具体的，由于本实施例是在遥感数据处理器的实际使用之前进行的，故而，是通过卫星设备的通讯带宽和处理模块的输出数据的特征进行预测得到的。
请参考图6所示，在本申请的一种示例性实施例中，步骤S110，还可以包括：
S115，根据任务类型，确定每一处理模块的处理模块特征。
其中，处理模块特征可以包括处理模块的卷积核大小、卷积核数量、输入数据特征和输出数据特征，其中输入数据特征可以包括输入数据的数据维度、参数量、特征通道数等，输出数据特征可以包括输出数据的数据维度、参数量、特征通道数。可以理解的是，在处理模块的处理模块类型不同的情况下，对应的处理模块特征也可以不同。例如，当处理模块为卷积模块时，其处理模块特征可以为特征通道数、卷积核大小和卷积核数量；当处理模块为激活模块时，其处理模块特征可以为输入数据维度；当处理模块为全连接模块时，其处理模块特征可以为输出数据维度和输出数据维度。本领域技术人员能够本申请提供的技术方案和现有技术的基础上，根据不同类型的处理模块的特点，确定出处理模块特征。
S117，将设备参数和每一处理模块对应的处理模块特征输入时间预测模型，得到预测的每一处理模块的模块处理耗时。
S119，根据每一模块处理耗时，确定每一卫星设备处理耗时和/或地面设备处理耗时。
具体的，本实施例中，时间预测模型可以为线性回归模型，且在处理模块的类型不同时，对应的线性回归函数也不同，同时，在处理模块相同时，处理模块对应的电子设备不同，其线性回归函数也可以不同，具体的可以根据处理模块特征进行适应性设置。
本实施例中，时间预测模型可以通过遥感数据处理器训练过程中的相关数据进行训练。具体的，可以每一处理模块的处理模块特征作为训练样本，以遥感数据处理器训练过程中，每一处理模块的实际处理耗时作为样本标记，以此进行时间预测模型的训练。
在其他实施例中，时间预测模型也可以以任意模型的任意处理模块在训练或使用过程中的相关数据进行训练，以得到能够通用与任意模型的处理模块处理耗时预测的模型。其训练的样本和样本标记与前述的方法类似，此处不加赘述。
进一步的，在其他的实施例中，还可以将设备参数、每一处理模块对应的处理模块特征以及当前对应的处理模块直接输入时间预测模型，以使得时间预测模型可以直接输出卫星设备处理耗时和/或地面设备处理耗时。可以理解的是，本领域技术人员能够根据对时间预测模型输出的需求，自行根据上述的时间预测模型的训练方法，适应性的得到能够直接输出卫星设备处理耗时和/或地面设备处理耗时的时间预测模型以及其训练方法，此处不加赘述。
本实施例中，通过预设的时间预测模型，可以快速的确定出卫星设备处理耗时和/或地面设备处理耗时。同时，步骤S115-S119可以独立于步骤S111-S113存在，也可以与S111-S113并行进行。
请参考图7所示，在本申请的一种示例性实施例中，步骤S700，包括：
S710，若测试匹配度大于或等于匹配度阈值的目标处理单元为多个，则将测试匹配度最大的目标处理单元对应的候选处理模块确定为目标处理模块。
由前述内容可知，由于本实施例中在进行目标处理模块的确定时，使用的是测试匹配度，但在实际应用过程中，每一处理单元每次处理时的实际匹配度是浮动的，在实际应用中，若安装于卫星设备上的第一目标子处理器最后一个处理单元的输出结果的实时匹配度小于匹配度阈值时，后续的处理单元还是会继续进行执行，即依然会将目标处理模块的输出数据发送至地面设备上。故而，本实施例中，若测试匹配度大于或等于匹配度阈值的目标处理单元为多个，会将测试匹配度最大的目标处理单元对应的候选处理模块确定为目标处理模块。以尽可能提高在卫星设备上即可达到实时匹配度大于或等于匹配度阈值的目标处理结果，降低地面设备参与实际处理的次数，以尽可能减小通讯耗时，提高整体的处理效率。
请参考图8所示，在本申请的一种示例性实施例中，步骤S700，还包括：
S730，若测试匹配度大于或等于匹配度阈值的目标处理单元为多个，则将对应的第一子处理器的处理模块数最少的候选处理模块确定为目标处理模块。
其中，S730与S710，在同一场景下仅有其中一个存在。
由于卫星设备通常为卫星等设备，这类设备的设备各类资源有限，例如其存储空间相对较小，同时由于遥感数据的数据大小往往较大，会占据大量的存储空间，故而在本实施例中，会优先选取处理模块数较少的即模型体积较小的第一子处理器作为第一目标子模型，以节省卫星设备上的存储空间。
请参考图9所示，在本申请的一种示例性实施例中，步骤S700，还包括：
S750，若目标处理单元的测试匹配度均小于匹配度阈值，则将对应的第一子处理器的处理模块数最少的候选处理模块确定为目标处理模块。
本实施例中，若目标处理单元的测试匹配度均小于匹配度阈值则说明每一种分割方案均大概率无法实现直接在卫星设备上得到最终的输出结果。故而在这种情况下，本实施例会优先选择体积最小的第一子处理器作为第一目标子模型，以节省卫星设备上的存储空间。
请参考图10所示，在本申请的一种示例性实施例中，步骤S700，还包括：
S770，若目标处理单元的测试匹配度均小于匹配度阈值，则将对应的输出数据的数据大小最小的候选处理模块确定为目标处理模块。
本实施例中，若目标处理单元的测试匹配度均小于匹配度阈值则说明每一种分割方案均大概率无法实现直接在卫星设备上得到最终的输出结果，即大概率是要将中间处理数据由卫星设备发送至地面设备的。在这种情况下，本实施例会优先选择输出数据的数据大小最小的候选处理模块确定为目标处理模块，以尽可能减小实际的通讯耗时。由前述内容可知，星地之间进行通讯时，通讯环境的波动较大，故而会导致通讯耗时会因为实时通讯带宽等的波动产生较大波动。而设备进行实际处理的耗时则是相对稳定的。故而，相较于选取卫星设备处理耗时或预测处理耗时最小的候选处理模块的方案，本实施例中的方法可以尽可能保证在各种情况下均能够有较为稳定的整体处理耗时。
在本申请的一种示例性实施例中，遥感数据处理器对应的总损失值符合预设条件，以使若干处理单元的候选处理结果随执行顺序依次增大。其中，符合预设条件可以为训练时的总损失值小于预设损失阈值。损失阈值的具体数值可以根据实际需求进行设置。
遥感数据处理器中，若干处理单元中的卷积模块的数量随执行顺序依次增大，以使得若干处理单元提取到的特征的深度随执行顺序依次增大。每一处理单元均仅具有一个全连接模块。
总损失值包括以下至少之一：第一损失值、第二损失值、第三损失值。
第一损失值根据每一处理单元的训练处理结果与标记结果之间的损失确定。
第二损失值根据每一处理单元的训练预测概率分布信息与目标训练预测概率分布信息之间的损失确定；目标训练预测概率分布信息为遥感数据处理器中在执行顺序上最后一个处理单元的训练预测概率分布信息。
第三损失值根据每相邻两个处理单元对应的目标特征图之间的损失确定；目标特征图为当前处理单元在处理过程中得到的最后一个特征图。
具体的，本实施例中，总损失值符合以下条件：
S＝S1+α*S2+β*S3。
其中，S为总损失值，S1为第一损失值，S2为第二损失值，S3为第三损失值，α和β为预设的用于平衡各项损失的系数。α和β的取值均为0-1，本实施例中，α和β均为0.5。
S1＝FL(Hi λ(Xj)，P(Xj))＝∑i＝1 n-W(1-Y(Hi λ(Xj),P(Xj)))γlog(Y(Hi λ(Xj),P(Xj)))，i＝1,2,...,n；
j＝1,2,...,m。
其中，Xj为第j个训练样本，m为训练样本的数量，n为处理单元的数量，Hi λ(Xj)为遥感数据处理器中第i个处理单元对Xj的训练预测概率分布信息，P(Xj)为Xj对应的样本标签。
W为调整系数，用于调整正负样本之间的损失率，本实施例中W＝0.25。
(1-Y(Hi λ(Xj),P(Xj)))γ为调质因子，用于减少容易区分的样本的贡献，使的遥感数据处理器更加聚焦于难区分的样本。
Y(Hi λ(Xj),P(Xj))为调整后训练预测概率分布信息，当Hi λ(Xj)表征的结果与P(Xj)相同时，Y(Hi λ(Xj),P(Xj))＝Hi λ(Xj)；当Hi λ(Xj)表征的结果与P(Xj)不相同时，Y(Hi λ(Xj),P(Xj))＝1-Hi λ(Xj)。
λ为训练时采用的蒸馏温度系数。
S2＝KL(Hi λ(Xj)||Hn λ(Xj))＝∑i＝1 nHi λ(Xj)log(Hi λ(Xj)/Hn λ(Xj))，i＝1,2,...,n；j＝1,2,...,m。
其中，Xj为第j个训练样本，m为训练样本的数量，Hi λ(Xj)为遥感数据处理器中第i个处理单元对第j个训练样本的训练预测概率分布信息，Hn λ(Xj)为目标训练预测概率分布信息(即遥感数据处理器中第n个处理单元对第j个训练样本的训练预测概率分布信息)，n为遥感数据处理器中处理单元的数量，λ为训练时采用的蒸馏温度系数。
本实施例中，蒸馏温度系数的取值范围为10到1，且在训练过程中，随着训练次数的增加逐渐调小，蒸馏温度系数越高对应的深层分布概率越平缓，可以理解为浅层网络学习深层的难度，越高时(如等于10)学习到的特征表示更有鲁棒性，越减小接近到1就越接近深层网络的分布。
S3＝∑v＝2 n||Gv-Gv-1||2 2，v＝2,...,n。
其中，Gv为第v个处理单元对应的目标特征图，Gv-Gv-1为第v个处理单元对应的目标特征图与第v-1个处理单元对应的目标特征图之间的损失。
本实施例中，第一损失值能够表示出每一处理单元在训练过程中的自身损失，第二损失值能够表示出每一处理单元的训练预测概率分布信息与最深层的训练预测概率分布信息(即目标训练预测概率分布信息)之间的预测概率损失情况，第三损失值能够表示出每相邻两个处理单元之间的特征提取损失情况。通过第二损失值和第三损失值的设置，实现了在各个处理单元之间建立横向连接，使得能够由深层网络的处理单元指导浅层网络的处理单元进行训练，以使得训练后的遥感数据处理器整体的预测准确率更高，且训练过程中，能够尽快的实现收敛。
现有的一些渐进式推理模型中，不同处理单元的匹配度都是不确定的，且经常会出现由于模型过处理导致执行顺序靠后的处理单元的候选处理结果的匹配率比其之前的处理单元的候选处理结果的匹配率更低，如此，若使用这类渐进式推理模型，很难直接在确定目标处理模块时直接确定出目标处理单元。而本实施例提供的方法，由于通过上述方法等得到的遥感数据处理器中，若干处理单元的候选处理结果随执行顺序依次增大，使得在进行目标处理模块的确定时，可以直接将每一候选处理模块之前的且与其相邻的处理单元直接确定为目标处理单元。
此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。
所属技术领域的技术人员能够理解，本申请的各个方面可以实现为系统、方法或程序产品。因此，本申请的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
根据本申请的这种实施方式的电子设备。电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
电子设备以通用计算设备的形式表现。电子设备的组件可以包括但不限于：上述至少一个处理器、上述至少一个储存器、连接不同系统组件(包括储存器和处理器)的总线。
其中，储存器存储有程序代码，程序代码可以被处理器执行，使得处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种示例性实施方式的步骤。
储存器可以包括易失性储存器形式的可读介质，例如随机存取储存器(RAM)和/或高速缓存储存器，还可以进一步包括只读储存器(ROM)。
储存器还可以包括具有一组(至少一个)程序模块的程序/实用工具，这样的程序模块包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
总线可以为表示几类总线结构中的一种或多种，包括储存器总线或者储存器控制器、外围总线、图形加速端口、处理器或者使用多种总线结构中的任意总线结构的局域总线。
电子设备也可以与一个或多个外部设备(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备交互的设备通信，和/或与使得该电子设备能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口进行。并且，电子设备还可以通过网络适配器与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。网络适配器通过总线与电子设备的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理器、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。
在本公开的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施方式中，本申请的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在终端设备上运行时，程序代码用于使终端设备执行本说明书上述“示例性方法”部分中描述的根据本申请各种示例性实施方式的步骤。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本申请操作的程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
此外，上述附图仅是根据本申请示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
以上，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。

Claims (16)

1.一种基于动态可拆分网络的遥感分布式数据处理方法，其特征在于，应用于卫星设备，包括：
将获取到的待处理遥感数据输入第一目标子处理器；所述第一目标子处理器设置于所述卫星设备上；
将所述第一目标子处理器输出的中间处理数据发送至地面设备，以使所述地面设备将所述中间处理数据输入第二目标子处理器，以得到所述第二目标子处理器输出的目标处理结果；所述第二目标子处理器设置于所述地面设备上；
其中，第一目标子处理器和第二目标子处理器通过以下方法得到：
获取遥感数据处理器中每一处理模块对应的预测处理耗时；所述遥感数据处理器包括顺序执行的若干处理单元，每一所述处理单元包括若干顺序执行的处理模块；所述遥感数据处理器被配置为在当前的处理单元输出的候选处理结果对应的匹配度达到匹配度阈值时，将所述候选处理结果确定为目标处理结果，所述匹配度阈值根据所述遥感数据处理器对应的任务类型确定；
将每一小于时间阈值的预测处理耗时所对应的处理模块确定为候选处理模块；所述时间阈值根据所述任务类型确定；
获取每一候选处理模块对应的目标处理单元的测试匹配度；所述目标处理单元为所述遥感数据处理器中位于当前的候选处理模块之前且与当前的候选处理模块相邻的处理单元；
将任一测试匹配度大于或等于匹配度阈值的目标处理单元对应的候选处理模块确定为目标处理模块；
根据所述目标处理模块对所述遥感数据处理器进行拆分，得到第一目标子处理器和第二目标子处理器；
所述第一目标子处理器包括所述遥感数据处理器中目标处理模块及其之前的每一处理模块，所述第二目标子处理器包括所述遥感数据处理器中目标处理模块之后的每一处理模块。
2.根据权利要求1所述的基于动态可拆分网络的遥感分布式数据处理方法，其特征在于，所述预测处理耗时包括以下至少之一：卫星设备处理耗时、地面设备处理耗时、通讯耗时；
所述卫星设备处理耗时为预测的卫星设备运行当前的第一子处理器的处理耗时；
所述地面设备处理耗时为预测的地面设备运行当前的第二子处理器的处理耗时；
所述通讯耗时为预测的所述卫星设备将当前的处理模块的输出数据发送至所述地面设备的通讯耗时。
3.根据权利要求1所述的基于动态可拆分网络的遥感分布式数据处理方法，其特征在于，所述获取所述遥感数据处理器中每一处理模块对应的预测处理耗时，包括：
根据卫星设备的设备参数和遥感数据处理器的任务类型，确定所述遥感数据处理器中每一处理模块对应的预测处理耗时。
4.根据权利要求3所述的基于动态可拆分网络的遥感分布式数据处理方法，其特征在于，所述根据卫星设备的设备参数和遥感数据处理器的任务类型，确定所述遥感数据处理器中每一处理模块对应的预测处理耗时，包括：
根据所述任务类型确定每一处理模块的输出数据的数据大小；
根据所述设备参数和每一数据大小，得到预测的每一处理模块的通讯耗时。
5.根据权利要求3所述的基于动态可拆分网络的遥感分布式数据处理方法，其特征在于，所述根据卫星设备的设备参数和遥感数据处理器的任务类型，确定所述遥感数据处理器中每一处理模块对应的预测处理耗时，包括：
根据所述任务类型，确定每一处理模块的处理模块特征；
将所述设备参数和每一处理模块对应的处理模块特征输入时间预测模型，得到预测的每一处理模块的模块处理耗时；
根据每一模块处理耗时，确定每一卫星设备处理耗时和/或地面设备处理耗时。
6.根据权利要求1所述的基于动态可拆分网络的遥感分布式数据处理方法，其特征在于，所述将任一测试匹配度大于或等于匹配度阈值的目标处理单元对应的候选处理模块确定为目标处理模块，包括：
若测试匹配度大于或等于匹配度阈值的目标处理单元为多个，则将测试匹配度最大的目标处理单元对应的候选处理模块确定为所述目标处理模块。
7.根据权利要求1所述的基于动态可拆分网络的遥感分布式数据处理方法，其特征在于，所述遥感数据处理器对应的总损失值符合预设条件，以使若干所述处理单元的候选处理结果随执行顺序依次增大；
所述总损失值包括以下至少之一：第一损失值、第二损失值、第三损失值；
所述第一损失值根据每一处理单元的训练处理结果与标记结果之间的损失确定；
所述第二损失值根据每一处理单元的训练预测概率分布信息与目标训练预测概率分布信息之间的损失确定；所述目标训练预测概率分布信息为遥感数据处理器中在执行顺序上最后一个处理单元的训练预测概率分布信息；
所述第三损失值根据每相邻两个处理单元对应的目标特征图之间的损失确定；所述目标特征图为当前处理单元在处理过程中得到的最后一个特征图。
8.一种基于动态可拆分网络的遥感分布式数据处理装置，其特征在于，所述数据处理装置设置于卫星设备内，且包括：
获取模块，用于将获取到的待处理遥感数据输入第一目标子处理器；所述第一目标子处理器设置于所述卫星设备上；
处理模块，用于将所述第一目标子处理器输出的中间处理数据发送至地面设备，以使所述地面设备将所述中间处理数据输入第二目标子处理器，以得到所述第二目标子处理器输出的目标处理结果；所述第二目标子处理器设置于所述地面设备上；
其中，第一目标子处理器和第二目标子处理器通过以下方法得到：
获取遥感数据处理器中每一处理模块对应的预测处理耗时；所述遥感数据处理器包括顺序执行的若干处理单元，每一所述处理单元包括若干顺序执行的处理模块；所述遥感数据处理器被配置为在当前的处理单元输出的候选处理结果对应的匹配度达到匹配度阈值时，将所述候选处理结果确定为目标处理结果，所述匹配度阈值根据所述遥感数据处理器对应的任务类型确定；
将每一小于时间阈值的预测处理耗时所对应的处理模块确定为候选处理模块；所述时间阈值根据所述任务类型确定；
获取每一候选处理模块对应的目标处理单元的测试匹配度；所述目标处理单元为所述遥感数据处理器中位于当前的候选处理模块之前且与当前的候选处理模块相邻的处理单元；
将任一测试匹配度大于或等于匹配度阈值的目标处理单元对应的候选处理模块确定为目标处理模块；
根据所述目标处理模块对所述遥感数据处理器进行拆分，得到第一目标子处理器和第二目标子处理器；
所述第一目标子处理器包括所述遥感数据处理器中目标处理模块及其之前的每一处理模块，所述第二目标子处理器包括所述遥感数据处理器中目标处理模块之后的每一处理模块。
9.根据权利要求8所述的基于动态可拆分网络的遥感分布式数据处理装置，其特征在于，所述预测处理耗时包括以下至少之一：卫星设备处理耗时、地面设备处理耗时、通讯耗时；
所述卫星设备处理耗时为预测的卫星设备运行当前的第一子处理器的处理耗时；
所述地面设备处理耗时为预测的地面设备运行当前的第二子处理器的处理耗时；
所述通讯耗时为预测的所述卫星设备将当前的处理模块的输出数据发送至所述地面设备的通讯耗时。
10.根据权利要求8所述的基于动态可拆分网络的遥感分布式数据处理装置，其特征在于，所述获取所述遥感数据处理器中每一处理模块对应的预测处理耗时，包括：
根据卫星设备的设备参数和遥感数据处理器的任务类型，确定所述遥感数据处理器中每一处理模块对应的预测处理耗时。
11.根据权利要求10所述的基于动态可拆分网络的遥感分布式数据处理装置，其特征在于，所述根据卫星设备的设备参数和遥感数据处理器的任务类型，确定所述遥感数据处理器中每一处理模块对应的预测处理耗时，包括：
根据所述任务类型确定每一处理模块的输出数据的数据大小；
根据所述设备参数和每一数据大小，得到预测的每一处理模块的通讯耗时。
12.根据权利要求10所述的基于动态可拆分网络的遥感分布式数据处理装置，其特征在于，所述根据卫星设备的设备参数和遥感数据处理器的任务类型，确定所述遥感数据处理器中每一处理模块对应的预测处理耗时，包括：
根据所述任务类型，确定每一处理模块的处理模块特征；
将所述设备参数和每一处理模块对应的处理模块特征输入时间预测模型，得到预测的每一处理模块的模块处理耗时；
根据每一模块处理耗时，确定每一卫星设备处理耗时和/或地面设备处理耗时。
13.根据权利要求8所述的基于动态可拆分网络的遥感分布式数据处理装置，其特征在于，所述将任一测试匹配度大于或等于匹配度阈值的目标处理单元对应的候选处理模块确定为目标处理模块，包括：
若测试匹配度大于或等于匹配度阈值的目标处理单元为多个，则将测试匹配度最大的目标处理单元对应的候选处理模块确定为所述目标处理模块。
14.根据权利要求8所述的基于动态可拆分网络的遥感分布式数据处理装置，其特征在于，所述遥感数据处理器对应的总损失值符合预设条件，以使若干所述处理单元的候选处理结果随执行顺序依次增大；
所述总损失值包括以下至少之一：第一损失值、第二损失值、第三损失值；
所述第一损失值根据每一处理单元的训练处理结果与标记结果之间的损失确定；
所述第二损失值根据每一处理单元的训练预测概率分布信息与目标训练预测概率分布信息之间的损失确定；所述目标训练预测概率分布信息为遥感数据处理器中在执行顺序上最后一个处理单元的训练预测概率分布信息；
所述第三损失值根据每相邻两个处理单元对应的目标特征图之间的损失确定；所述目标特征图为当前处理单元在处理过程中得到的最后一个特征图。
15.一种电子设备，其特征在于，包括处理器和存储器；
所述处理器通过调用所述存储器存储的程序或指令，用于执行如权利要求1至7任一项所述方法的步骤。
16.一种非瞬时性计算机可读存储介质，其特征在于，所述非瞬时性计算机可读存储介质存储程序或指令，所述程序或指令使计算机执行如权利要求1至7任一项所述方法的步骤。
CN202211635619.0A 2022-12-19 2022-12-19 一种基于动态可拆分网络的遥感分布式数据处理方法 Active CN115984084B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211635619.0A CN115984084B (zh) 2022-12-19 2022-12-19 一种基于动态可拆分网络的遥感分布式数据处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211635619.0A CN115984084B (zh) 2022-12-19 2022-12-19 一种基于动态可拆分网络的遥感分布式数据处理方法

Publications (2)

Publication Number Publication Date
CN115984084A CN115984084A (zh) 2023-04-18
CN115984084B true CN115984084B (zh) 2023-06-06

Family

ID=85957393

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211635619.0A Active CN115984084B (zh) 2022-12-19 2022-12-19 一种基于动态可拆分网络的遥感分布式数据处理方法

Country Status (1)

Country Link
CN (1) CN115984084B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116361668B (zh) * 2023-06-02 2023-08-11 北京安天网络安全技术有限公司 一种多个sdr设备的监控方法、装置、设备及介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210042275A (ko) * 2020-05-27 2021-04-19 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. 스몰 타깃 검출 방법 및 장치
CN113111835A (zh) * 2021-04-23 2021-07-13 长沙理工大学 卫星遥感图像语义分割方法、装置、电子设备和存储介质
CN113298042A (zh) * 2021-06-22 2021-08-24 中国平安财产保险股份有限公司 遥感影像数据的处理方法及装置、存储介质、计算机设备
CN113869262A (zh) * 2021-10-11 2021-12-31 中科三清科技有限公司 一种基于Unet模型的目标区域用地信息的预测方法和装置
CN114694038A (zh) * 2022-04-11 2022-07-01 中国矿业大学 基于深度学习的高分辨率遥感影像分类方法及系统
CN115424140A (zh) * 2022-07-29 2022-12-02 西安空间无线电技术研究所 星载海量图像数据分布式协同快速高精度处理系统及方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210042275A (ko) * 2020-05-27 2021-04-19 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. 스몰 타깃 검출 방법 및 장치
CN113111835A (zh) * 2021-04-23 2021-07-13 长沙理工大学 卫星遥感图像语义分割方法、装置、电子设备和存储介质
CN113298042A (zh) * 2021-06-22 2021-08-24 中国平安财产保险股份有限公司 遥感影像数据的处理方法及装置、存储介质、计算机设备
CN113869262A (zh) * 2021-10-11 2021-12-31 中科三清科技有限公司 一种基于Unet模型的目标区域用地信息的预测方法和装置
CN114694038A (zh) * 2022-04-11 2022-07-01 中国矿业大学 基于深度学习的高分辨率遥感影像分类方法及系统
CN115424140A (zh) * 2022-07-29 2022-12-02 西安空间无线电技术研究所 星载海量图像数据分布式协同快速高精度处理系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
智能遥感卫星与遥感影像实时服务;王密;杨芳;;测绘学报(12);第116-124页 *
遥感舰船目标检测识别方法;李宗凌;汪路元;禹霁阳;程博文;郝梁;;遥感信息(01);第66-74页 *

Also Published As

Publication number Publication date
CN115984084A (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
CN110852421B (zh) 模型生成方法和装置
CN108229667B (zh) 基于人工神经网络类别的修剪
CN110852438B (zh) 模型生成方法和装置
EP3644581B1 (en) Edge-cloud collaboration system for analyzing internet of things data and operating method thereof
CN115984084B (zh) 一种基于动态可拆分网络的遥感分布式数据处理方法
US20110161263A1 (en) Computer-Implemented Systems And Methods For Constructing A Reduced Input Space Utilizing The Rejected Variable Space
CN111523640A (zh) 神经网络模型的训练方法和装置
CN115225516B (zh) 基于改进abc-vmd的lssvm网络流量预测方法
CN114282670A (zh) 神经网络模型的压缩方法、设备和存储介质
CN116684330A (zh) 基于人工智能的流量预测方法、装置、设备及存储介质
CN113114399B (zh) 基于生成对抗网络的三维频谱态势补全方法和装置
CN113328908B (zh) 异常数据的检测方法、装置、计算机设备和存储介质
CN113158435B (zh) 基于集成学习的复杂系统仿真运行时间预测方法与设备
KR20210066545A (ko) 반도체 소자의 시뮬레이션을 위한 전자 장치, 방법, 및 컴퓨터 판독가능 매체
CN114338416B (zh) 一种时空多指标预测方法、装置和存储介质
CN111158918B (zh) 支撑点并行枚举负载均衡方法、装置、设备及介质
EP4113387A2 (en) Search method and apparatus based on neural network model, device, and medium
CN113947185B (zh) 任务处理网络生成、任务处理方法、装置、电子设备及存储介质
CN115225543A (zh) 一种流量预测方法、装置、电子设备和存储介质
US20240037373A1 (en) OneShot Neural Architecture and Hardware Architecture Search
CN117834630B (zh) 用于感知网络中边缘节点健康状态的方法、设备和介质
CN117496375B (zh) 面向遥感基础模型的异构npu训练方法及系统
CN112231933B (zh) 一种面向雷达电磁干扰效应分析的特征选择方法
US20240070569A1 (en) System and method for clustered pricing for task price estimates
US20230396564A1 (en) Information processing apparatus and information processing method

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant